{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:3449"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:3449","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Méthode automatique de détermination des paramètres d'inspection ultrasonore pour la reconstruction TFM","abstract":"Ce mémoire présente le développement d'un outil complémentaire à la reconstruction TFM (« Total Focusing Method » en anglais), un algorithme d'imagerie de plus en plus utilisé dans le contrôle non-destructif par ultrasons. Malgré sa capacité à fournir des images avec une résolution élevée, la TFM présente une grande sensibilité aux incertitudes de mesures des paramètres d'inspection, nécessitant une connaissance précise des vitesses de propagation et des paramètres géométriques. Le cadre d’étude est la visualisation de défauts dans une pièce dont l’épaisseur et les vitesses de propagation sont inconnues en utilisant une sonde positionnée sur un sabot à angle. L’enjeu est donc de développer une méthode rapide, efficace et automatique capable de déterminer ces paramètres à partir de la donnée FMC (« Full Matrix Capture » en anglais) utilisée pour reconstruire l’image TFM. Deux approches ont été proposées pour résoudre ce défi. La première, analytique, repose sur la comparaison des temps de vol réels et théoriques des échos structuraux, mais elle se révèle être très sensibles aux conditions expérimentales et notamment à la couche de couplant entre les différentes pièces. Par ailleurs, son temps de calcul ne permet pas une optimisation en temps réel. La seconde méthode, basée sur un réseau de neurones convolutif, offre de meilleures performances sur des données réelles, avec une grande rapidité de calcul et une incertitude inférieure à 3,5% permettant une visualisation très fidèle des défauts. Ces deux méthodes sont à utiliser de manière complémentaire. La première, efficace lorsque l'épaisseur est connue, permet de créer une base de données expérimentales dont on connait les paramètres avec précision. Ces données sont ensuite utilisées pour entraîner un réseau de neurones capable de déterminer les paramètres d'une pièce dont l'épaisseur est inconnue.","abstract_html":"Ce mémoire présente le développement d&#x27;un outil complémentaire à la reconstruction TFM (« Total Focusing Method » en anglais), un algorithme d&#x27;imagerie de plus en plus utilisé dans le contrôle non-destructif par ultrasons. Malgré sa capacité à fournir des images avec une résolution élevée, la TFM présente une grande sensibilité aux incertitudes de mesures des paramètres d&#x27;inspection, nécessitant une connaissance précise des vitesses de propagation et des paramètres géométriques. Le cadre d’étude est la visualisation de défauts dans une pièce dont l’épaisseur et les vitesses de propagation sont inconnues en utilisant une sonde positionnée sur un sabot à angle. L’enjeu est donc de développer une méthode rapide, efficace et automatique capable de déterminer ces paramètres à partir de la donnée FMC (« Full Matrix Capture » en anglais) utilisée pour reconstruire l’image TFM. Deux approches ont été proposées pour résoudre ce défi. La première, analytique, repose sur la comparaison des temps de vol réels et théoriques des échos structuraux, mais elle se révèle être très sensibles aux conditions expérimentales et notamment à la couche de couplant entre les différentes pièces. Par ailleurs, son temps de calcul ne permet pas une optimisation en temps réel. La seconde méthode, basée sur un réseau de neurones convolutif, offre de meilleures performances sur des données réelles, avec une grande rapidité de calcul et une incertitude inférieure à 3,5% permettant une visualisation très fidèle des défauts. Ces deux méthodes sont à utiliser de manière complémentaire. La première, efficace lorsque l&#x27;épaisseur est connue, permet de créer une base de données expérimentales dont on connait les paramètres avec précision. Ces données sont ensuite utilisées pour entraîner un réseau de neurones capable de déterminer les paramètres d&#x27;une pièce dont l&#x27;épaisseur est inconnue.","abstract_has_math":false,"creators":["Mouthon, Hugo"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024-03-04","date_published":"2024-03-04","updated_at":"2026-11-18T22:10:21Z","subjects":["contrôle non-destructif, ultrason, TFM, FMC, paramètres d'inspection, équations analytiques, CNN"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3449"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE3449","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/3449/1/MOUTHON_Hugo.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A3449","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Mouthon, Hugo"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024-03-04"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["contrôle non-destructif, ultrason, TFM, FMC, paramètres d'inspection, équations analytiques, CNN"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3449","https://espace.etsmtl.ca/id/eprint/3449/1/MOUTHON_Hugo.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ce mémoire présente le développement d'un outil complémentaire à la reconstruction TFM (« Total Focusing Method » en anglais), un algorithme d'imagerie de plus en plus utilisé dans le contrôle non-destructif par ultrasons. Malgré sa capacité à fournir des images avec une résolution élevée, la TFM présente une grande sensibilité aux incertitudes de mesures des paramètres d'inspection, nécessitant une connaissance précise des vitesses de propagation et des paramètres géométriques. Le cadre d’étude est la visualisation de défauts dans une pièce dont l’épaisseur et les vitesses de propagation sont inconnues en utilisant une sonde positionnée sur un sabot à angle. L’enjeu est donc de développer une méthode rapide, efficace et automatique capable de déterminer ces paramètres à partir de la donnée FMC (« Full Matrix Capture » en anglais) utilisée pour reconstruire l’image TFM. Deux approches ont été proposées pour résoudre ce défi. La première, analytique, repose sur la comparaison des temps de vol réels et théoriques des échos structuraux, mais elle se révèle être très sensibles aux conditions expérimentales et notamment à la couche de couplant entre les différentes pièces. Par ailleurs, son temps de calcul ne permet pas une optimisation en temps réel. La seconde méthode, basée sur un réseau de neurones convolutif, offre de meilleures performances sur des données réelles, avec une grande rapidité de calcul et une incertitude inférieure à 3,5% permettant une visualisation très fidèle des défauts. Ces deux méthodes sont à utiliser de manière complémentaire. La première, efficace lorsque l'épaisseur est connue, permet de créer une base de données expérimentales dont on connait les paramètres avec précision. Ces données sont ensuite utilisées pour entraîner un réseau de neurones capable de déterminer les paramètres d'une pièce dont l'épaisseur est inconnue."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Méthode automatique de détermination des paramètres d'inspection ultrasonore pour la reconstruction TFM"]}]}],"canonical_facts":{"dc:creator":["Mouthon, Hugo"],"dc:date":["2024-03-04"],"dc:description":["Ce mémoire présente le développement d'un outil complémentaire à la reconstruction TFM (« Total Focusing Method » en anglais), un algorithme d'imagerie de plus en plus utilisé dans le contrôle non-destructif par ultrasons. Malgré sa capacité à fournir des images avec une résolution élevée, la TFM présente une grande sensibilité aux incertitudes de mesures des paramètres d'inspection, nécessitant une connaissance précise des vitesses de propagation et des paramètres géométriques. Le cadre d’étude est la visualisation de défauts dans une pièce dont l’épaisseur et les vitesses de propagation sont inconnues en utilisant une sonde positionnée sur un sabot à angle. L’enjeu est donc de développer une méthode rapide, efficace et automatique capable de déterminer ces paramètres à partir de la donnée FMC (« Full Matrix Capture » en anglais) utilisée pour reconstruire l’image TFM. Deux approches ont été proposées pour résoudre ce défi. La première, analytique, repose sur la comparaison des temps de vol réels et théoriques des échos structuraux, mais elle se révèle être très sensibles aux conditions expérimentales et notamment à la couche de couplant entre les différentes pièces. Par ailleurs, son temps de calcul ne permet pas une optimisation en temps réel. La seconde méthode, basée sur un réseau de neurones convolutif, offre de meilleures performances sur des données réelles, avec une grande rapidité de calcul et une incertitude inférieure à 3,5% permettant une visualisation très fidèle des défauts. Ces deux méthodes sont à utiliser de manière complémentaire. La première, efficace lorsque l'épaisseur est connue, permet de créer une base de données expérimentales dont on connait les paramètres avec précision. Ces données sont ensuite utilisées pour entraîner un réseau de neurones capable de déterminer les paramètres d'une pièce dont l'épaisseur est inconnue."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE3449","https://espace.etsmtl.ca/id/eprint/3449/1/MOUTHON_Hugo.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["contrôle non-destructif, ultrason, TFM, FMC, paramètres d'inspection, équations analytiques, CNN"],"dc:title":["Méthode automatique de détermination des paramètres d'inspection ultrasonore pour la reconstruction TFM"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:10:21Z"}